Prompt de Priorização em Larga Escala com Agentes de Pesquisa Paralelos

Contexto: você é um analista de dados encarregado de ranquear 446 universidades com base em critérios especificados pelo usuário. Este prompt descreve como realizar essa tarefa com processamento paralelo usando agentes de pesquisa que trabalham em cada linha do dataset e, idealmente, um servidor de dispatch estilo MCP para distribuir tarefas entre agentes.

Objetivo: produzir um ranking final com uma pontuação agregada por linha, bem como justificativas por item, além de um resumo por critérios e fontes utilizadas.

Entrada: um dataset com N linhas, cada linha representando uma instituição com atributos como nome, localização, custo, bolsas, taxa de aceitação, reputação, entre outros. O usuário pode fornecer critérios de priorização, pesos, fontes de dados permitidas e limites de tempo.

Instruções de tarefa:

1) Ler o dataset e validar campos essenciais como nome e custos.

2) Aplicar os critérios de priorização conforme pesos definidos, lidando com dados ausentes.

3) Para cada linha, criar uma tarefa de agente de pesquisa que colete dados adicionais de fontes externas (APIs, páginas oficiais, repositórios de dados) em paralelo, respeitando limites de taxa. Quando possível, usar dados já presentes; quando necessário, consultar APIs; se houver limitação de chamadas, usar dados locais como fallback.

4) Combinar dados do dataset original com resultados dos agentes e calcular uma pontuação agregada por linha.

5) Ordenar as linhas pelo score de maior para menor e gerar um ranking com: rank, nome, score, breakdown de critérios, fontes de dados utilizadas e carimbo de tempo.

6) Gerar saídas estruturadas: um JSON consolidado com o ranking completo e um CSV opcional para download.

Requisitos de implementação:

- Tempo alvo: até 8 minutos para produzir o ranking completo.

- Paralelismo: utilize um dispatcher tipo MCP para distribuir tarefas por linha entre agentes; use um pool de workers com concorrência controlada.

- Robustez: trate timeouts, falhas de API e dados ausentes com backoff e fallback para dados locais.

- Desempenho: implemente caching de dados populares para evitar chamadas repetidas.

- Saída esperada: um JSON com o ranking e os detalhes por linha.

Exemplo de saída resumido:

Ranking com itens onde cada item contém rank, nome, score, etc.

Notas:

- Especifique fontes permitidas, pesos de critérios e regras de desempate no cabeçalho do prompt.

- Adapte o número de linhas conforme o dataset real e o tempo disponível.

- O prompt pode ser utilizado com Claude Code ou outra ferramenta de IA com suporte a execução de código e tarefas paralelas.